目标检测和实例分割的排名和排序损失
RON是一种用于物体检测的高效框架,利用反向连接和objectness prior来解决多尺度物体定位和负样本挖掘的问题,并且使用多任务损失函数来进行优化。实验证明,在PASCAL VOC 2007、PASCAL VOC 2012和MS COCO数据集上,RON具有竞争性的性能和更快的速度。
Jul, 2017
本文研究了单阶段物体检测器比两阶段物体检测器速度更快,但精度更低的原因,并提出了一种名为Focal Loss的做法,以解决稠密检测器训练中遇到的前景背景类别不平衡问题,该方法能够提高准确性。在该方法的基础上设计了一种名为RetinaNet的密集型检测器,取得了超过现有首屈一指的两阶段检测器的精度。
Aug, 2017
本文提出了一种基于排序任务和平均准确率损失(AP-loss)的新框架和一种新的优化算法,以解决一阶段目标检测器中的分类任务造成前景背景极度不平衡问题。实验证明这种方法可以有效提高检测性能。
Apr, 2019
本篇论文提出了分布式排名(DR)损失,以在单一阶段识别前景物体时处理前景和背景类别的数量不平衡和背景候选难度的不平衡。本方法不仅缓解了背景候选的内类别不平衡问题,而且提高了排名算法的效率。将DR损失应用于RetinaNet中,应用ResNet-101作为主干网络,单尺度测试的mAP即可从39.1%提高到41.7%,证明了所提出的损失函数的有效性。
Jul, 2019
本文提出了CIoU loss和Cluster-NMS以增强两个重要任务中的几何因素,进而提高了对象检测和实例分割的平均精度和平均召回,实验表明该方法在各种模型中均有效。
May, 2020
本文提出了一种有效的方法,将一阶段目标检测器的分类任务替换为排名任务,并采用平均准确率(Average-Precision)损失函数,通过优化算法,处理了训练中的极端正负样本不平衡问题,获得了比现有AP-based优化算法更出色的实验结果。
Aug, 2020
本文提出了新的Iou-aware Classification Score(IACS)、Varifocal Loss以及star-shaped bounding box feature,建立了基于FCOS+ATSS体系结构的IoU-aware dense object detector VarifocalNet(VFNet),在MS COCO数据集上进行了广泛实验,其效果表现出了明显的优势。
Aug, 2020
本文介绍了一种新的损失函数:无类别分割(CAS)损失,用于类别不确定的分割问题,文章在Salient Object Detection问题上进行了实验,CAS损失函数有效,可以在不清楚类别的情况下使得分割的性能超过现有的技术,此外文章还测试了该方法的效果在不同的任务和数据集上,结果表明本方法对于不同的分割任务效果都很好。
Jul, 2021
本文回顾了平均精度丢失(AP loss),揭示了选择正负样本之间排名对的关键性,并提出了两种改进AP loss的策略。 第一个是新的自适应成对误差(APE) loss,专注于正负样本中的排名对。 此外,利用聚类算法和规范化排名分数和本地化分数选择更精确的排名对。在MSCOCO数据集上的实验证明了我们提出的方法相对于当前的分类和排名损失的优越性。
Jul, 2022
设计用于评估实例分割的度量标准围绕着全面考虑目标检测和分割准确性展开,然而,当前研究忽视了其他重要特性,如敏感性、连续性和一致性。本文揭示了大多数现有度量标准在测量分割质量方面具有有限的分辨率,它们只在掩模或错误预测的变化情况下有条件地敏感。对于某些度量标准来说,在一个狭窄的范围内,得分可能会急剧变化,这可能会误导结果质量差距的指示。因此,我们提出了一种名为sortedAP的新度量标准,它严格降低了目标和像素级别的缺陷,并且在整个域上具有连续的惩罚刻度。我们在此https的URL上提供了评估工具包和实验代码。
Sep, 2023